Python中的支援向量機（Support Vector Machine，SVM）是一個強大的監督學習演算法，可以用來解決分類和迴歸問題。 SVM在處理高維度資料和非線性問題的時候表現出色，被廣泛地應用於資料探勘、影像分類、文字分類、生物資訊學等領域。
在本文中，我們將介紹在Python中使用SVM進行分類的實例。我們將使用scikit-learn函式庫中的SVM模型，該函式庫提供了許多強大的機器學習演算法。
首先，我們需要安裝scikit-learn函式庫，可以在終端機中使用以下指令進行安裝：
pip install scikit-learn
接著，我們將使用經典的Iris資料集來示範SVM的分類效果。 Iris資料集包含150個樣本，分為三類，每類包含50個樣本。每個樣本有4個特徵：花萼長度、花萼寬度、花瓣長度和花瓣寬度。我們將使用SVM對這些樣本進行分類。
首先，我們需要匯入需要的函式庫：
from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn import svm from sklearn.metrics import accuracy_score
接著，我們載入Iris資料集：
iris = datasets.load_iris()
然後，我們將資料分為訓練集和測試集：
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0)
在這裡，我們使用了train_test_split函數，將資料集隨機分為訓練集和測試集，其中test_size參數指定了測試集佔總資料集的比例為30%。
接下來，我們將使用SVM模型對訓練集進行擬合：
clf = svm.SVC(kernel='linear', C=1) clf.fit(X_train, y_train)
這裡，我們使用了線性核函數，並且指定了一個正則化參數C=1。 SVM的超參數C控制了模型的準確性和複雜性之間的權衡。 C值越小，模型越簡單，容易欠擬合；C值越大，模型越複雜，容易過度擬合。通常，我們需要透過交叉驗證來選擇合適的C值。
接著，我們使用訓練好的模型，對測試集進行預測：
y_pred = clf.predict(X_test)
最後，我們可以使用accuracy_score函數，計算分類準確率：
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)完整的程式碼如下：
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn.metrics import accuracy_score
# Load iris dataset
iris = datasets.load_iris()
# Split data into train and test
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0)
# Fit SVM model on training data
clf = svm.SVC(kernel='linear', C=1)
clf.fit(X_train, y_train)
# Predict on test data
y_pred = clf.predict(X_test)
# Compute accuracy score
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)在本例中，我們使用了SVM模型進行分類，針對的是一個非常常見的資料集，Iris資料集。 SVM的優點在於強大的分類能力、適用於高維度資料和非線性問題。實現SVM需要對一系列超參數進行調優，以達到最佳的分類效果。
以上是Python中的SVM實例的詳細內容。更多資訊請關注PHP中文網其他相關文章！
